Användningen av AlphaFold2-aktiverade molekylära dockningssimuleringar för att förutsäga protein-ligandinteraktioner för upptäckt av antibiotika

Användningen av AlphaFold2-aktiverade molekylära dockningssimuleringar för att förutsäga protein-ligandinteraktioner för upptäckt av antibiotika

I en nyligen publicerad studie i Molekylär systembiologi forskarna visade att framsteg i modellering av protein-ligand-interaktioner med hjälp av maskininlärningsbaserade metoder behövs för att bättre kunna använda AlphaFold2 för antibiotikaupptäckt.

Lernen: Benchmarking AlphaFold-fähiger molekularer Docking-Vorhersagen für die Entdeckung von Antibiotika. Bildnachweis: Jaromond/Shutterstock

bakgrund

En stor utmaning vid upptäckt av läkemedel är identifieringen av interaktioner mellan läkemedel och mål. Forskare har utvecklat flera metoder för att ta itu med detta problem, inklusive biokemiska analyser, genetiska interaktioner och molekylär dockning. Emellertid har endast molekylär dockning visat sig vara användbar för att identifiera protein-ligand-interaktioner och verkningsmekanismen för ett läkemedel.

Även om det är mångsidigt, kräver dockning förkunskaper om proteinstrukturer. Antalet och kvaliteten på målproteinstrukturer begränsar ytterligare deras tillämpning för att identifiera läkemedelsmål.

Om att studera

I den aktuella studien använde forskare den nyligen släppta AlphaFold2-proteinstrukturförutsägelsedatabasen för att möjliggöra omvänd dockningsmetoder som spänner över det väsentliga proteomet av Escherichia coli (E. coli) och möjliggör omfattande förutsägelse av antibiotikabindande mål. Dessa experiment kan hjälpa till att utvärdera prestandan hos modelleringsplattformen och avslöja prediktionsnoggrannheten hos AlphaFold2-aktiverade molekylära dockningssimuleringar.

De förutsagda protein-ligand-interaktionerna mellan antibiotika och essentiella proteiner kan delvis förhöras experimentellt med hjälp av biokemiska analyser som mäter enzymatisk aktivitet, med bindningsinteraktioner som stöds av enzymatisk hämning.

Forskarna genomförde högkapacitetsscreeningar av 39 128 tillväxthämmande föreningar mot vildtyp E. coli genom. Dessa föreningar var naturliga produkter, antibiotika och strukturellt olika molekyler med molekylvikter mellan 40 Dalton (Da) och 4 200 Da. Alla föreningar som hämmade relativ tillväxt med 80 % ansågs vara aktiva, och varje aktiv förening var beräkningsmässigt dockad till 296 AlphaFold2-förutspådda E. coli essentiella proteomer.

Som en kontroll dockades en undergrupp av de inaktiva föreningarna på samma sätt. Forskarna använde AutoDock Vina, ett allmänt använt dockningsprogram med öppen källkod med benchmarking, för att docka alla 218 föreningar mot de 296 AlphaFold2-förutspådda väsentliga proteomerna. Dessa simuleringar förutspådde både specifika och utbredda protein-ligand-interaktioner och proteinpromiskuitet. Slutligen utvärderade forskare förutsägelser med hjälp av fyra maskininlärningsbaserade poängfunktioner (SF), nämligen RF-poäng, RF-poäng-VS, poäng för protein-ligan extended connectivity (PLEC) och neurala nätverk (NN).

Studieresultat

Genetik och genomik e-bok

Sammanställning av de bästa intervjuerna, artiklarna och nyheterna från det senaste året.

Ladda ner en kopia idag

Totalt 218 antibakteriella föreningar var aktiva mot E. coli, och cirka 80 % var antibiotika av strukturklasserna β-laktam, aminoglykosider, tetracykliner, kinoloner och polyketider. De återstående aktiva ingredienserna bestod av toxiner och antineoplastiska föreningar. Studien identifierade också ytterligare en uppsättning föreningar vars antibakteriella egenskaper mot E. coli inte tidigare har dokumenterats.

På samma sätt förutspådde studieanalysen bindningspositionen och bindningsaffiniteten för 64 528 protein-ligandpar. Ytterligare 100 slumpmässigt utvalda inaktiva föreningar ledde till bindningsposition och affinitetsförutsägelser för 29 600 protein-ligandpar via analoga dockningssimuleringar. Dessutom mätte forskarna den enzymatiska aktiviteten hos flera E. coli-proteiner involverade i deoxiribonukleinsyra (DNA) replikation, transkription och cellväggssyntes.

Intressant nog hämmade flera proteinmolekyler enzymatiskt varje identifierad antibakteriell förening, vilket bekräftar omfattande promiskuitet. Detta fenomen möjliggjorde även benchmarking av modellprestanda i en statistiskt signifikant skala.

Forskarna jämförde utförligt experimentella data om protein-ligand-interaktioner med in silico-förutsägelser för att visa att denna modelleringsmetod hade en prediktionsnoggrannhet mellan 41 % och 73 %, beroende på vilken bindningsaffinitetströskel som användes. Oavsett bindningsaffinitetströskeln var området under mottagarens funktionskarakteristiska kurva (auROC) över de essentiella proteinerna i genomsnitt 0,48.

Anmärkningsvärt nog förblev modellprestanda liknande även när forskare använde specifika proteinstrukturer experimentellt. Om man antar att en slumpmässig modell motsvarar en auROC på 0,5, visade dessa resultat att molekylära dockningssimuleringar fungerade dåligt.

Författarna fann en djupgående förbättring av modellens prestanda mätt med auROC, med RF-poäng, RF-poäng-VS och NN-poäng. Omvänt förbättrades inte modellens prestanda när DOCK6.9 användes och återtagningen utfördes med hjälp av PLEC-poängen. Dessutom förbättrade konsensusmodeller som inkluderade flera maskininlärningsbaserade SF:er den sanna positiva frekvensen till falska positiva frekvensförhållandet och prediktionsnoggrannheten.

Slutsatser

Den aktuella studien visade att användningen av AlphaFold2 för att förutsäga läkemedelsmål är en lovande metod men är fortfarande i ett tidigt skede. Följaktligen kommer att förverkliga dess potential för läkemedelsupptäckt att kräva betydande förbättringar i modellering av protein-ligand-interaktioner. Benchmarking av prestandan för molekylära dockningssimuleringar är ett av de gångbara sätten att förbättra prediktionsnoggrannheten; det kräver dock åtföljande användning av maskininlärningsbaserade metoder. Sammantaget kan studieresultaten informera om lämplig användning av AlphaFold2 i läkemedelsforskning.

Hänvisning:

• Benchmarking von AlphaFold-fähigen molekularen Docking-Vorhersagen für die Entdeckung von Antibiotika, Felix Wong, Aarti Krishnan, Erica J. Zheng, Hannes Stärk, Abigail L. Manson, Ashlee M. Earl, Tommi Jaakkola, James J. Collins. Molekulare Systembiologie. doi: https://doi.org/10.15252/msb.202211081 https://www.embopress.org/doi/full/10.15252/msb.202211081

.